2026年人工智能基础及应用习题附答案

2026年人工智能基础及应用习题附答案一、单项选择题（每题2分，共20分）1.关于人工智能的发展阶段，以下描述错误的是：A.符号主义阶段以逻辑推理为核心，代表成果为专家系统B.连接主义阶段通过神经网络模拟人脑，典型模型为BP神经网络C.行为主义阶段强调“感知-动作”反射，代表理论为控制论D.2020年后的大模型阶段以小样本学习为标志，无需大规模数据训练答案：D（大模型阶段仍依赖大规模数据训练，小样本学习是其能力之一）2.监督学习与无监督学习的本质区别在于：A.是否使用梯度下降优化B.输入数据是否包含标签C.模型是否具有记忆能力D.输出结果是否为连续值答案：B（监督学习需要标签数据指导训练，无监督学习仅通过数据分布学习）3.在卷积神经网络（CNN）中，“感受野”指的是：A.卷积核的尺寸大小B.单个神经元在输入特征图上能感知的区域范围C.池化操作的步长参数D.全连接层的神经元数量答案：B（感受野描述神经元对输入空间的感知范围）4.强化学习中，“探索（Exploration）”与“利用（Exploitation）”的平衡主要解决：A.奖励函数设计过于复杂的问题B.智能体在未知环境中尝试新策略与沿用已知策略的冲突C.状态空间维度过高导致的计算爆炸D.连续动作空间的离散化处理答案：B（探索强调尝试新动作，利用强调使用当前最优动作，二者需平衡以提升整体收益）5.关于Transformer模型的自注意力机制，以下说法正确的是：A.仅计算查询（Query）与键（Key）的相似度B.注意力权重通过Softmax归一化后与值（Value）加权求和C.多头注意力的作用是降低计算复杂度D.位置编码（PositionalEncoding）通过循环结构实现答案：B（自注意力通过Q与K的点积计算权重，Softmax后与V结合）6.提供对抗网络（GAN）的核心思想是：A.通过两个网络竞争提升提供数据的质量B.利用监督信号直接优化提供模型C.采用强化学习训练提供器D.通过自编码器提取数据特征答案：A（提供器与判别器的对抗训练是GAN的核心）7.2026年主流的多模态大模型（如GPT-5）通常支持的输入模态不包括：A.文本、图像B.语音、视频C.点云（3D数据）D.脑电信号（EEG）答案：D（当前多模态大模型主要聚焦视觉、语言、听觉，脑电信号因专业性强未广泛集成）8.人工智能伦理中“可解释性”的核心要求是：A.模型参数必须公开B.输出结果需提供人类可理解的决策依据C.训练数据来源必须透明D.模型性能需达到人类水平答案：B（可解释性强调模型决策过程能被人类理解，而非参数或数据的完全公开）9.智能驾驶系统中，“端到端学习”与“模块化设计”的主要差异在于：A.是否使用传感器融合技术B.是直接从感知数据到控制指令，还是分阶段（感知-决策-控制）处理C.是否依赖高精度地图D.计算平台的算力需求答案：B（端到端学习跳过中间模块，直接映射输入到输出；模块化设计分阶段处理）10.关于大语言模型的“涌现能力”（EmergentAbilities），以下描述正确的是：A.仅在小规模模型中出现B.指模型在达到一定参数规模后突然获得的新能力（如逻辑推理）C.完全依赖于训练数据的质量D.与模型架构无关答案：B（涌现能力是大模型参数规模突破阈值后显现的新功能）二、简答题（每题8分，共40分）1.简述支持向量机（SVM）的核心思想及“核技巧”的作用。答案：SVM的核心是在特征空间中找到一个最优超平面，最大化正负样本的间隔（Margin）。对于线性不可分问题，核技巧通过引入核函数（如RBF核、多项式核）将低维输入空间映射到高维特征空间，使得数据在高维空间中线性可分，避免了显式计算高维映射的复杂操作。2.比较循环神经网络（RNN）与长短期记忆网络（LSTM）在处理序列数据时的差异。答案：RNN通过隐藏状态传递序列信息，能捕捉时间依赖，但存在梯度消失/爆炸问题，难以建模长距离依赖。LSTM引入门控机制（输入门、遗忘门、输出门），通过控制信息的遗忘与更新，有效缓解了梯度消失问题，能够学习更长的序列依赖关系（如文本中的上下文关联）。3.解释“迁移学习”（TransferLearning）的定义，并举例说明其在实际中的应用。答案：迁移学习是指将一个任务（源任务）中学习到的知识（如特征表示、模型参数）迁移到另一个相关任务（目标任务）中，以解决目标任务数据不足或标注成本高的问题。例如，在医学影像诊断中，可先在大规模自然图像（如ImageNet）上预训练CNN模型，再通过微调（Fine-tuning）将模型迁移到肺部CT图像分类任务，减少对医学影像标注数据的需求。4.说明强化学习中“马尔可夫决策过程（MDP）”的四元组（S,A,P,R）的具体含义，并解释“策略（Policy）”的作用。答案：MDP由状态空间S（所有可能状态）、动作空间A（智能体可执行的动作）、状态转移概率P（s'|s,a）（执行动作a后从状态s转移到s'的概率）、奖励函数R（s,a,s'）（转移后的即时奖励）组成。策略π(a|s)定义了在状态s下选择动作a的概率分布，是智能体的行为规则，目标是最大化长期累积奖励。5.分析大语言模型（如GPT-5）在多轮对话中可能面临的挑战及解决方案。答案：挑战包括：①上下文遗忘：长对话中模型可能丢失早期关键信息；②一致性问题：前后回答逻辑矛盾（如前文提到“用户喜欢猫”，后文建议“养狗”）；③意图漂移：用户需求变化时模型无法准确捕捉新目标。解决方案：①引入长上下文建模技术（如稀疏注意力、分块处理）；②结合知识图谱增强事实一致性校验；③设计意图识别模块，动态调整对话策略（如通过意图分类器检测用户需求变化）。三、计算题（每题10分，共30分）1.给定二分类任务的训练数据：样本x₁=(1,3)，y₁=1；x₂=(2,1)，y₂=0；x₃=(4,2)，y₃=1；x₄=(3,5)，y₄=0。假设使用逻辑回归模型，参数w=[0.5,0.2]，偏置b=-1.0。计算样本x₂=(2,1)的预测概率和交叉熵损失（sigmoid函数：σ(z)=1/(1+e⁻ᶻ)）。答案：（1）计算线性组合z=w·x+b=0.5×2+0.2×11.0=1.0+0.21.0=0.2（2）预测概率p=σ(z)=1/(1+e⁻⁰·²)≈0.5498（3）交叉熵损失L=-[y·ln(p)+(1-y)·ln(1-p)]=-[0·ln(0.5498)+1·ln(1-0.5498)]≈-ln(0.4502)≈0.79852.某数据集包含100个样本，目标变量为“是否患病”（正类60个，负类40个）。特征“体温”有三个取值：低（30个样本，正类10，负类20）、中（50个样本，正类40，负类10）、高（20个样本，正类10，负类10）。计算特征“体温”的信息增益（熵公式：H(D)=-Σ(pᵢlog₂pᵢ)）。答案：（1）原始熵H(D)=-[(60/100)log₂(60/100)+(40/100)log₂(40/100)]≈-[0.6×(-0.737)+0.4×(-1.322)]≈0.971（2）条件熵H(D|体温)=(30/100)H(D₁)+(50/100)H(D₂)+(20/100)H(D₃)其中：H(D₁)=-[(10/30)log₂(10/30)+(20/30)log₂(20/30)]≈-[0.333×(-1.585)+0.667×(-0.585)]≈0.918H(D₂)=-[(40/50)log₂(40/50)+(10/50)log₂(10/50)]≈-[0.8×(-0.322)+0.2×(-2.322)]≈0.722H(D₃)=-[(10/20)log₂(10/20)+(10/20)log₂(10/20)]=-[0.5×(-1)+0.5×(-1)]=1.0（3）H(D|体温)=0.3×0.918+0.5×0.722+0.2×1.0≈0.275+0.361+0.2=0.836（4）信息增益IG=H(D)H(D|体温)≈0.9710.836=0.1353.在Transformer的自注意力机制中，假设查询Q、键K、值V均为4维向量：Q=[2,1,3,0]，K=[1,3,0,2]，V=[4,2,5,1]。计算注意力分数（不考虑缩放）及注意力输出（Softmax使用自然指数）。答案：（1）计算Q与K的点积：Q·K=2×1+1×3+3×0+0×2=2+3+0+0=5（2）注意力权重α=softmax(5)=e⁵/(e⁵)=1（单头自注意力中，若仅一个键值对，权重为1）（3）注意力输出=α×V=1×[4,2,5,1]=[4,2,5,1]四、综合题（每题15分，共30分）1.设计一个基于人工智能的“智能农业病虫害识别与防治推荐系统”，需说明系统的核心模块、关键技术及可能面临的挑战。答案：核心模块：（1）数据采集模块：通过田间摄像头（可见光/多光谱）、传感器（温湿度、虫情信息）采集作物图像、环境数据；（2）病虫害识别模块：采用多模态深度学习模型（如CNN+Transformer），融合图像特征与环境数据，识别病虫害类型（如稻瘟病、蚜虫）；（3）防治推荐模块：结合知识图谱（存储病虫害-药物-环境适配规则）与强化学习（优化用药量、时机），提供防治方案（如推荐生物农药、喷洒时间）；（4）用户交互模块：通过移动端/智能终端提供可视化诊断结果、防治建议及预警通知。关键技术：（1）小样本学习：田间病虫害样本有限，需使用迁移学习（预训练模型微调）或元学习提升识别准确率；（2）多模态融合：将图像的视觉特征与环境传感器的时序数据（如温湿度变化）结合，提高识别鲁棒性；（3）可解释性技术：通过注意力可视化（如Grad-CAM）解释模型识别依据，增强农户信任。挑战：（1）数据多样性不足：不同作物、生长阶段的病虫害表现差异大，需大量标注数据；（2）环境干扰：田间光照、遮挡等因素影响图像质量，需增强数据增强（如随机光照变换、遮挡模拟）；（3）防治方案的实时性：病虫害发展迅速，模型需支持实时推理（如边缘计算部署）；（4）伦理与安全：农药推荐需符合环保法规，避免过度用药导致的生态问题。2.2026年，某城市计划部署“AI驱动的交通拥堵预测与优化系统”。请阐述该系统的技术架构（数据层、模型层、应用层），并说明如何通过强化学习优化交通信号控制。答案：技术架构：（1）数据层：多源数据采集：包括道路传感器（车流量、车速）、GPS轨迹（出租车、私家车）、摄像头（拥堵图像）、天气数据（降雨、雾）；数据预处理：清洗异常数据（如传感器故障值）、时空对齐（统一时间戳与地理坐标）、特征工程（提取高峰时段车流量、常发拥堵路段模式）。（2）模型层：预测模型：使用时空神经网络（如ST-GCN、Transformer），结合历史交通数据与实时输入，预测未来15-30分钟各路段的拥堵状态（如畅通、缓行、拥堵）；优化模型：基于强化学习（如PPO算法）的交通信号控制器，以全局交通效率（如平均通行时间、停车次数）为目标，动态调整路口信号灯时长。（3）应用层：实时调度：根据预测结果，向交通管理中心推送拥堵预警（如“某路段10分钟后将拥堵”）；信号控制：通过V2X（车路协同）技术，将优化后的信号方案发送至路口控制器，调整红绿灯周期；用户服务：通过导航APP向驾驶员推荐避堵路线，减少进入拥堵区域的车辆。强化学习优化信号控制的具体实现：状态（State）：定义为各路口